告别 LangChain 的复杂，用 SimpleLLMFunc 优雅调用 LLM！

发布日期：2025-12-26 19:24:19 浏览次数： 2256

作者：假于物

微信搜一搜，关注“假于物”

最近在做一个需要集成 LLM 能力的项目，一开始想当然地选择了 LangChain。结果用了两天就放弃了——不是说它不好，而是对我这种需求来说，实在是太重了。

文档翻了半天找不到重点，为了实现一个简单的功能要理解一堆抽象概念，代码里到处是框架特定的类和方法。更要命的是，我只是想让 LLM 帮我做个文本分类，为什么要学习这么多额外的东西？

就在我准备手撸 API 调用代码的时候，无意中发现了 SimpleLLMFunc。试用了一下午，感觉找到了我理想中的工具——简单、直观、不过度设计。今天就来分享一下我的使用体验。

SimpleLLMFunc 是什么？ 🎯

SimpleLLMFunc 是一个轻量级的 Python LLM 应用开发框架，它的核心理念可以用两句话概括：

LLM as Function：把 LLM 调用当作普通的 Python 函数
Prompt as Code：Prompt 直接写在函数的 DocString 里

听起来简单，但实际用起来确实非常优雅。它通过一个简单的装饰器，就能把你的 Python 函数变成一个 LLM 驱动的函数，自动处理 API 调用、消息构建、响应解析这些繁琐的工作。

最吸引我的几个点 ✨

1. 真的很简单

看看这段代码，你就明白我为什么喜欢它了：


from SimpleLLMFunc import llm_function, OpenAICompatible

# 加载 LLM 配置
llm = OpenAICompatible.load_from_json_file("provider.json")["DeepSeek"]["v3"]

@llm_function(llm_interface=llm)
asyncdefclassify_sentiment(text: str) -> str:
"""
    分析文本的情感倾向。

    Args:
        text: 需要分析的文本

    Returns:
        情感分类，可以是 'positive'、'negative' 或 'neutral'
    """
pass# 是的，函数体真的可以是 pass！

# 使用
result = await classify_sentiment("这个产品太棒了！")
print(result)  # 输出: positive

就这样，一个完整的情感分类功能就实现了。Prompt 写在 DocString 里，清晰明了；函数体直接 pass，因为装饰器会帮你处理所有事情。

2. 类型安全，IDE 友好 💡

作为一个习惯了类型提示的 Python 开发者，我很在意代码补全和类型检查。SimpleLLMFunc 支持用 Pydantic 模型作为返回类型，这意味着：


from pydantic import BaseModel, Field
from typing importList

classProductReview(BaseModel):
    rating: int = Field(..., description="评分，1-5分")
    pros: List[str] = Field(..., description="优点列表")
    cons: List[str] = Field(..., description="缺点列表")
    summary: str = Field(..., description="总结")

@llm_function(llm_interface=llm)
asyncdefanalyze_review(product: str, review: str) -> ProductReview:
"""你是一个专业的产品评测专家..."""
pass

result = await analyze_review("无线耳机", "音质不错，但连接不稳定")
# result 是 ProductReview 对象，有完整的类型提示
print(result.rating)  # IDE 会自动补全
print(result.pros)    # 类型检查也没问题

返回的直接是 Pydantic 模型实例，不需要手动解析 JSON，IDE 也能提供完整的代码补全。这种开发体验真的很舒服。

3. 支持多模态 📸

如果你需要处理图片，SimpleLLMFunc 也支持：


from SimpleLLMFunc.typeimport ImgPath, ImgUrl, Text

@llm_function(llm_interface=llm)
asyncdefanalyze_image(
    description: Text,
    web_image: ImgUrl,
    local_image: ImgPath
) -> str:
"""
    分析图片并根据描述提供详细说明

    Args:
        description: 对图片分析的具体要求
        web_image: 要分析的网络图片 URL
        local_image: 用于对比的本地参考图片路径
    """
pass

result = await analyze_image(
    description=Text("请详细描述这两张图片的差异"),
    web_image=ImgUrl("https://example.com/image.jpg"),
    local_image=ImgPath("./reference.jpg")
)

文本、网络图片、本地图片，统统支持，类型也很清晰。

4. 工具系统很灵活 🛠️

当你需要让 LLM 调用外部函数时（比如查询天气、搜索数据库），SimpleLLMFunc 提供了 @tool 装饰器：


from SimpleLLMFunc.tool import tool
from pydantic import BaseModel

classLocation(BaseModel):
    latitude: float
    longitude: float

@tool(name="get_weather", description="获取指定位置的天气信息")
asyncdefget_weather(location: Location, days: int = 1) -> dict:
"""
    获取指定位置的天气预报

    Args:
        location: 位置信息，包含经纬度
        days: 预报天数，默认1天
    """
# 这里可以调用实际的天气 API
return {"temperature": 25, "condition": "晴天"}

# 在 llm_function 中使用
@llm_function(llm_interface=llm, toolkit=[get_weather])
asyncdefweather_assistant(query: str) -> str:
"""你是一个天气助手，可以查询天气信息..."""
pass

工具函数可以直接被 LLM 调用，而且还可以返回图片等多模态内容。更棒的是，一个函数既可以被 @tool 装饰，也可以被 @llm_function 装饰，组合起来非常灵活。

5. 完整的可观测性 📊

SimpleLLMFunc 内置了结构化日志和 Langfuse 集成。每次调用都有自动生成的 trace_id，可以追踪完整的调用链路：


GLaDos_c790a5cc-e629-4cbd-b454-ab102c42d125
├── 函数调用输入参数
├── LLM 请求内容
├── Token 使用统计
├── 工具调用（如果有）
├── LLM 响应内容
└── 执行时间和性能指标

这对于调试和性能优化非常有帮助。你也可以用 app_log 添加自己的日志：


from SimpleLLMFunc.logger import app_log, log_context

with log_context(trace_id="task_123", function_name="my_task"):
    app_log("开始处理任务")
    # 所有日志自动关联到同一个 trace_id

安装和配置 ⚙️

安装非常简单：


pip install SimpleLLMFunc

然后创建一个 provider.json 配置文件，配置你的 LLM 服务商：


{
    "deepseek":[{
"model_name":"deepseek-chat",
"api_keys":["sk-your-api-key"],
"base_url":"https://api.deepseek.com/v1",
"max_retries":5,
"rate_limit_capacity":10
}],
"openai":[{
"model_name":"gpt-4",
"api_keys":["sk-your-api-key"],
"base_url":"https://api.openai.com/v1"
}]
}